Page 161 - 46-1

วารสารราชบััณฑิิตยสภา
ปีีที่่� ๔๖ ฉบัับัที่่� ๑ มกราคม-เมษายน ๒๕๖๔
ศาสตราจารย์์ ดร.ธนารักษ์์ ธีระมั่ั�นคง และนางสาวเบญจพรรณ สมั่ณะ 153

ยังม้ค่าลัักษณะสำาคัญของเส�นใบแลัะพ่�นผิวิ ในการีจัำาแนกได้�ใช้�เครี่�องเวิกเต์อรี์คำ�าจัุนสำาห้รีับจัำาแนก

ข�อม้ลัห้ลัายช้นิด้ (multiclass support vector machine) ซิึ�งได้�ควิามถ้กต์�องในการีทีำานายชุ้ด้ข�อม้ลั

Flavia รี�อยลัะ ๘๗.๕๐ แลัะใน ค.ศึ. ๒๐๑๖ โรีฆััส-เอรี์นันเด้ซิแลัะคณะ (Rojas-Hernández et al.,
2016) ได้�คำานวิณค่าลัักษณะเพิ�มเต์ิม ๓ ค่า ปรีะกอบด้�วิยค่าสมมาต์รีแนวิต์ั�ง ค่าสมมาต์รีแนวินอน แลัะ
การีต์ัด้กันของเซินทีรีอยด้์ พรี�อมกับค่าลัักษณะทีางสัณฐานวิิทียาอ้ก ๕ ค่า ปรีะกอบด้�วิยอัต์รีาส่วิน

ของภาพ พ่�นที้�ของโค�งน้น (area convexity) เส�นรีอบรี้ปของโค�งน้น (perimeter convexity)

ค่าควิามกลัม (circularity) แลัะพ่�นที้�วิ่าง (null area) โด้ยทีด้ลัองกับการีจัำาแนกห้ลัายแบบ ปรีะกอบด้�วิย
การีจัำาแนกแบบป่าสุ่ม (random forest) โครีงข่ายปรีะสาทีเที้ยม การีถด้ถอยลัอจัิสต์ิก (logistic
regression) ต์�นไม�ต์ัด้สินใจั (decision tree) วิิธี้การีเพ่�อนบ�านใกลั�ที้�สุด้เคต์ัวิเลั่อก (K-nearest

neighbor) วิิธี้เบส์อย่างง่าย (Naïve Bayes) แลัะเครี่�องเวิกเต์อรี์คำ�าจัุน จัากผลัการีทีด้ลัองพบวิ่า

ค่าคุณลัักษณะทีั�ง ๘ ค่า จัำาแนกด้�วิยการีถด้ถอยลัอจัิสต์ิกทีำานายได้�ถ้กต์�องส้งสุด้ที้�รี�อยลัะ ๗๗.๒๔
บนชุ้ด้ข�อม้ลั Swedish ลั่าสุด้ใน ค.ศึ. ๒๐๑๗ รีาวิแลัะคุลัคารี์น้ (Rao and Kulkarni, 2017)
ได้�ม้การีนำาค่าซิิฟต์์ (scale-invariant feature transform−SIFT) มาเป็นลัักษณะเด้่นรี่วิมกับค่า

ลัักษณะทีางสัณฐานวิิทียา จัำาแนกโด้ยใช้�โครีงข่ายปรีะสาทีเที้ยม ได้�ค่าควิามถ้กต์�องในการีทีำานายที้�

รี�อยลัะ ๙๕.๓๘ บนชุ้ด้ข�อม้ลั Flavia.
๒. ลัักษณะเด้่นแบบคอนเนกช้ันนิสต์์ (connectionist-based feature extraction)
เม่�อไม่นานมาน้�การีพัฒนาการีรี้�จัำาภาพใบไม�โด้ยอาศึัยการีเรี้ยนรี้�แบบคอนเนกช้ันนิสต์์

เป็นที้�นิยมมาก ใน ค.ศึ. ๒๐๑๕ โช้ปรีา (Chopra, 2015) ได้�ใช้�ขั�นต์อนวิิธี้อ้เอ็ม (Expectation-

Maximization algorithm−EM algorithm) ในการีสกัด้ภาพใบไม�ออกจัากพ่�นห้ลััง แลัะได้�สรี�างโครีงข่าย
ปรีะสาทีเที้ยมแบบคอนโวิลั้ช้ันที้�ปรีะกอบด้�วิยช้ั�นคอนโวิลั้ช้ัน ๓ ช้ั�น โด้ยใช้�ฟังก์ช้ันเส�นต์รีงที้�ถ้กปรีับแก�
(rectified linear unit−ReLU) เป็นฟังก์ช้ันใช้�งาน (activation function) ช้ั�นเช้่�อมโยงสมบ้รีณ์

๑ ช้ั�น แลัะใช้�ต์ัวิจัำาแนกซิอฟต์์แม็กซิ์ (softmax classifier) เพ่�อให้�ได้�ผลัลััพธี์ควิามน่าจัะเป็นของ

แต์่ลัะช้นิด้ โด้ยทีด้ลัองในชุ้ด้ข�อม้ลั TreeID แลัะทีำานายได้�ถ้กต์�องรี�อยลัะ ๗๕ ในปีเด้้ยวิกัน จัางแลัะคณะ
(Zhang et al., 2015) ได้�ทีำาการีวิิจััยโด้ยใช้�ชุ้ด้ข�อม้ลั Flavia แลัะสรี�างโครีงข่ายปรีะสาทีเที้ยม
แบบคอนโวิลั้ช้ันต์ามภาพที้� ๒ โครีงข่ายน้�ปรีะกอบด้�วิยช้ั�นคอนโวิลั้ช้ันที้�ใช้�ฟังก์ช้ันเส�นต์รีงที้�ถ้กปรีับแก�

แบบพารีามิเต์อรี์ (parametric rectified linear unit−PReLU) เป็นฟังก์ช้ันใช้�งาน ช้ั�นบ่อรีวิมส้งสุด้

พรี�อมกับใช้�การีปรีับรี้ปแบบบรีรีทีัด้ฐานของแต์่ลัะช้ั�นของเทีนเซิอรี์ (local response normalization)
ช้ั�นเช้่�อมโยงสมบ้รีณ์ ๑ ช้ั�น แลัะใช้�ต์ัวิจัำาแนกซิอฟต์์แม็กซิ์